基于高阶累积量的线性化子波提取方法研究

在地震子波非因果、混合相位的假设下，分别应用滑动平均（MA）和自回归滑动平均（ARMA）模型对地震记录建模，并采用基于高阶累积量的线性方程法对子波提取和模型适应性进行了研究。数值仿真结果表明，ARMA模型比MA模型在描述地震记录时具有参数节俭、模型更为高效的特点；基于高阶累积量的线性方程法对加性高斯色噪声有较好的压制效果，却强烈依赖于累积量样本估计的准确性。如果累积量样本估计的误差和方差适度，结合AR—MA模型描述的累积量线性方程法适用于非因果、混合相位的子波提取，其有效性通过实际地震数据的处理得到了验证。     

基于高阶累积量的地震子波提取

在地震勘探中,子波处理是提高地震资料分辨率的一个重要手段,而该技术的关键是地震子波的估计.由于影响地震波的因素太多且复杂,使得子波的提取始终是一个十分困难的问题.传统的提取子波的方法主要利用地震记录的二阶统计信息,然而由于二阶统计量并不包含相位信息,因而无法解决非最小相位的物理问题.鉴于信号高阶累积量的性质和特点,利用高阶累积量来达到提取地震子波的目的.     

基于自回归滑动平均模型和粒子群算法的地震子波提取

基于自回归滑动平均(ARMA)模型理论,对地震子波进行参数化建模,采用累积量拟合法精确估计参数,使地震子波提取问题最终归结为一个多参数、多极值的非线性函数优化问题。对基本粒子群算法进行改进,通过自适应参数调整和边界约束,克服基本粒子群算法易陷入局部极值的缺陷,同时提高算法寻优精度和计算效率。仿真数据试验结果验证了改进的粒子群算法在地震子波提取方法中的有效性和稳定性。     

一种基于高阶累积量的回波对消方法

提出一种基于高阶累积量的回波对消新方法,以期在信噪比较低的情况下,优于基于自适应滤波技术的回波对消方案。该方法的实质是高阶累积量能够自动抑制高斯有色或白色噪声,先用回波数据来计算其４阶累积量,再利用部分累积量估计回波通路的滤波器系数,最后利用可能得到的全部累积量来对滤波器系数进行细估计,在信噪比分别为２０、１５、１０、５ｄＢ的条件下,各进行１０次随机试验,仿真结果显示：在不高于１５ｄＢ的低信噪比情     

基于高阶累积量构造特征参数的调制识别方法

针对传统基于高阶累积量的无线通信信号调制识别方法存在不含频率信息、低信噪比(signal to noise ratio, SNR)下识别率低及识别种类较少等问题,设计了一种新的基于高阶累积量构造特征参数的调制识别方法.该方法引入一阶微分和中值滤波预处理等技术,有效解决了多进制频移键控(M-ary frequency-shift keying, MFSK)信号的组内识别问题.进一步地,改进特征参数设置,设计识别流程,提升低信噪比下多达10种常用调制信号的识别率.蒙特卡洛仿真实验验证了所设计方法具有识别信号种类多和识别率高等优点,有望应用于实际场景.     

基于高阶累积量的文本图像去噪算法

根据高斯噪声三阶以上累积量为零,从而可以将其有效抑制的特点,提出了一种基于高阶累计量的文本图像去噪方法.与平滑滤波和中值滤波2种经典算法相比,高阶累积量的使用不仅提高了文本图像去噪效果,而且能够较好地保留图像的边缘和细节信息,保证了原有文字的完整性.实验表明,提出的去噪算法对于去除文本图像的加性高斯噪声较为理想.     

基于高阶累积量的LCP-GLSTBC-OFDM信号调制识别

提出了频率选择性衰落信道条件下基于高阶累积量的LCP(Linear Constellation Precoding)-GLSTBC (Group Layered Space-Time Block Coding architecture)-OFDM (Orthogonal Frequency-Division Multiplexing) 信号识别算法，用以区分LCP-GLSTBC结构下的多载波信号(OFDM)和单载波信号(MPSK、MQAM)。该算法不需要预先知道信号和信道噪声的先验信息，也不需要对接收的信号进行解调，只需从接收的中频信号直接进行识别处理，分别求出接收信号的2阶和4阶累积量，然后构造特征参数消除信道衰落的影响。仿真结果表明：在SNR高于5dB时，对多载波和单载波信号的识别率大于90%。     

基于高阶累积量的自适应波束形成

常规波束形成器仅限于利用信号的二阶统计特性,作者采用高阶累积量估计期望信号的导向矢量（SteeringVector),实现了一咎基于高阶累积量的自适应波束形成器（HCAB）,该波束形成器利用信号的更高阶统计特征性,减少了对阵列流型的依赖,具有较好的容差性,能自动跟踪信号,数值模拟实验表明该波束形成器工作良好。     

一种基于高阶累积量的复共轭四阶系统辨识方法

研究了利用高阶累积量方法对复共轭四阶系统进行辨识的问题，分析讨论了四阶系统的特点，给出了由连续系统到离散系统的转换公式，并利用基于累积量表示的修正尢勒－沃克方程对该四阶系统进行了辨识。针对估计精度不高的问题，提出了前滤波的方法。在各种不同条件下的仿真对比实验表明，在SNR（Signal Noise Ratio)比较低和两对共轭极点距离相距较近时，基于高阶累积量的复共轭四阶系统辨识方法比普通自相关方法具有更好的辨识结果。     

一种基于径向基函数的高阶累积量算法

使用高阶累积量算法进行了盲自适应波束形成,计算了利用神经网络逼近波束形成的权矢量,通过Matlab仿真验证了该算法的有效性。     

基于高阶统计量方法的ARMA模型功率谱估计在设备故障诊断中的应用

为了消除或衰减加在机械故障信号上的有色高斯噪声,更好地对信号功率谱进行估计,提出了基于高阶统计量方法的ARMA模型功率谱估计方法。该方法依据是高阶统计量对高斯噪声不敏感的特性。仿真结果表明,该方法能有效的抑制高斯有色噪声的干扰。     

微弱信号提取中的小波方法研究

针对于实际应用中的小信号特别是完全被噪声淹没情况下的微弱信号提取的问题，本文依据白噪声信号的小波变换系数相对比有用信号的小波系数小的特点，利用小波变换对信号进行消噪来提取微弱信号，仿真结果表明：小波变换能够有效的消除噪声，将有用微弱信号从受噪声污染的信号中提取出来。     

基于小波变换的掌纹特征提取

掌纹中不同区域的纹线方向和空间频率代表着掌纹图像内在的特征。为了提取该特征,提出了一种基于原始灰度图像的小波变换的新算法。由于该算法直接对原始的灰度图像进行处理,而无需对图像进行预处理(例如图像增强、滤波、区域分割、二值化、纹线细化等),因此它与传统的细节特征识别方法相比大大减小了计算消耗。对一个小的掌纹图像数据库,使用K近邻(K-NN)的分类器对算法进行了实验,得到了很高的分类正确率,验证了算法的有效性。     

基于小波包能量的脑电信号特征提取方法

在脑机接口研究中,针对运动想象脑电信号的特征抽取,提出了一种基于小波包变换和AR模型的特征提取方法.该方法首先利用小波包变换对大脑C3和C4处采集的2路运动想象脑电信号进行3层分解,抽取小波系数的能量特征;然后,利用Burg算法提取脑电信号的5阶AR模型系数;最后,将这2类特征组合,使用基于马氏距离的线性判别分类器对左右手运动想象脑电模式进行分类,正确率达到91.43%.该方法提取的特征向量较好地反应了运动想象脑电信号的事件相关去同步和事件相关同步的变化时程,为BCI研究中脑电信号的模式识别提供了新的思路.此外,该方法的识别率高,复杂性低,适合应用于在线脑机接口中.     

基于小波变换的人脸图象特征的边缘提取算法

人脸图象识别是模式识别、计算机视觉和人工智能领域的一个热点,而人脸图象的特征提取又是人脸图象识别的关键步骤.小波变换以其多分辨率分析和多通道分解的独特分析方法在图象处理领域中有着广泛的应用.文章利用二进小波变换多尺度的特性,结合一些常规的边缘提取算法,在人脸图象特征的边缘提取方面取得了令人满意的结果,实验表明是一种有效的人脸图象特征边缘提取算法.     

基于小波变换的道路正射影像地图生成方法

提出一种利用车载系统制作道路正射影像地图的方法.该方法使用逆透视变换将数据采集车采集的路面图像信息转换为道路正射影像地图碎片,使用线下插值算法进一步处理采集车的航位推算信息和扩展卡尔曼滤波定位信息,并根据处理结果将正射影像碎片投影至全局坐标系中.使用小波变换将所有正射影像碎片进行频带区分,对高低频带分别使用加权中值算法...     

基于零相位非抽样小波的微弱特征提取

为消除正交小波非对称性引起的非线性相位对分解结果的不利影响,结合零相位滤波原理与非抽样小波变换,提出了一类具有零相位特性的小波非抽样分解算法——零相位非抽样小波变换.为了降低零相位非抽样小波变换的计算量,采用基于重叠保留法与圆周卷积相结合的快速卷积算法代替传统卷积算法.零相位非抽样小波变换不仅克服了Mallat算法中因隔点采样环节造成的平移可变与频率折叠等诸多缺陷,也消除了传统非抽样小波变换分解结果出现移位与畸变的不足,非常适合于微弱特征提取.通过电机轴承故障诊断实例分析证实了该算法可用于提取微弱故障特征.